klasifikasi stadium kanker payudara …eprints.uny.ac.id/41898/6/skripsi rahmada-halaman...
TRANSCRIPT
i
KLASIFIKASI STADIUM KANKER PAYUDARA
MENGGUNAKAN MODEL FUZZY NEURAL NETWORK
SKRIPSI
Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Yogyakarta
Sebagai Salah Satu Persyaratan Guna Memperoleh Gelar Sarjana Sains
Disusun oleh:
Rahmada Putri Setiadi
12305144012
PROGRAM STUDI MATEMATIKA
JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI YOGYAKARTA
2016
ii
PERSETUJUAN
Skripsi yang berjudul “KLASIFIKASI STADIUM KANKER PAYUDARA
MENGGUNAKAN MODEL FUZZY NEURAL NETWORK” yang disusun
oleh Rahmada Putri Setiadi, NIM 12305144012 ini telah disetujui oleh
pembimbing untuk diujikan.
Yogyakarta, 1 Juni 2016
Dosen Pembimbing
Dr. Dhoriva Urwatul Wutsqa
NIP. 19660331 199303 2 001
iii
HALAMAN PENGESAHAN
Skripsi yang berjudul:
“KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN
MODEL FUZZY NEURAL NETWORK”
Yang disusun oleh:
Nama : Rahmada Putri Setiadi
NIM : 12305144012
Prodi : Matematika
Skripsi ini telah diujikan di depan Dewan Penguji Skripsi pada tanggal 9 Juni
2016 dan dinyatakan LULUS.
DEWAN PENGUJI
Nama Jabatan Tanda Tangan Tanggal
Dr. Dhoriva Urwatul W.
196603311993032001 Ketua Penguji ……………… …………….
Fitriana Yuli S., M.Si
198407072008012003 Sekretaris Penguji ……………… …………….
Dr. Agus Maman Abadi
197008281995021001 Penguji Utama ……………… …………….
Atmini Dhoruri, M.S
196007101986012001 Penguji Pendamping ……………… …………….
Yogyakarta,
Fakultas Matematika dan Ilmu
Pengetahuan Alam
Universitas Negeri Yogyakarta
Dekan,
Dr. Hartono
NIP. 196203291987021002
iv
HALAMAN PERNYATAAN
Yang bertanda tangan di bawah ini, saya:
Nama : Rahmada Putri Setiadi
NIM : 12305144012
Program Studi : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Judul Skripsi : KLASIFIKASI STADIUM KANKER PAYUDARA
MENGGUNAKAN MODEL FUZZY NEURAL NETWORK
Menyatakan bahwa skripsi ini benar-benar karya saya sendiri dan sepanjang
pengetahuan saya, tidak terdapat karya atau materi yang ditulis atau digunakan
sebagai persyaratan penyelesaian studi di perguruan tinggi, kecuali pada bagian-
bagian tertentu yang diambil sebagai acuan atau kutipan dengan mengikuti tata
penulisan karya ilmiah yang telah lazim. Apabila ternyata terbukti pernyataan
saya tidak benar, maka sepenuhnya menjadi tanggung jawab saya, dan saya
bersedia menerima sanksi sesuai ketentuan yang berlaku.
Yogyakarta, 1 Juni 2016
Yang Menyatakan,
Rahmada Putri Setiadi
NIM 12305144012
v
MOTTO
Barang siapa bersungguh-sungguh, sesungguhnya
kesungguhannya itu adalah untuk dirinya sendiri.
(QS. Al-Ankabut: 6)
Janganlah engkau bersedih, sesungguhnya Allah bersama
kita.
(QS. At-Taubah: 40)
Love what you do, do what you love.
vi
HALAMAN PERSEMBAHAN
Alhamdulillah, puji syukur kehadirat Allah SWT, akhirnya saya dapat
menyelesaikan skripsi ini. Karya sederhana ini saya persembahkan
untuk:
Kedua orang tuaku, Bapak Tukiyadi dan Ibu Rohmi Rahayu yang selalu
mendoakanku, memberiku semangat dan mendukungku sehingga aku
dapat menyelesaikan karya ini dengan baik.
Saudari-saudariku, Mbak Hida dan Dek Nisa Gembul yang tak henti-
hentinya mengingatkan aku dan memberikan semangat untuk segera
menyelesaikan skripsi ini.
Isas, Ratih, dan Marwah sesama pejuang skripsi, akhirnya kita bisa
melalui semua masalah dan menyelesaikan skripsi ini.
Dinda, Lela, Zen, Rini, Anita, temen-temen main dan nonton, yang telah
memberikan banyak kenangan indah dan tak terlupakan selama ini.
Teman-teman Matematika Swadana 2012 yang memberikan kenangan,
ilmu, pengalaman dan kebersamaan selama 4 tahun ini. Semoga kita
semua sukses di masa depan. Bahagia selalu.
vii
KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN
MODEL FUZZY NEURAL NETWORK
Oleh:
Rahmada Putri Setiadi
12305144012
ABSTRAK
Kanker payudara menjadi ancaman yang mematikan bagi semua wanita di
seluruh dunia. Oleh karena itu, deteksi kanker sejak dini perlu dilakukan sehingga
kanker payudara dapat lebih mudah ditangani. Fuzzy Neural Network (FNN)
merupakan salah satu metode yang dapat digunakan untuk klasifikasi stadium
kanker payudara. Penelitian ini bertujuan untuk menjelaskan prosedur dan hasil
klasifikasi stadium kanker payudara menggunakan model FNN dengan dan tanpa
operasi titik intensity adjustment.
Prosedur awal klasifikasi kanker payudara menggunakan FNN adalah
melakukan preprocessing citra mammogram payudara dengan cara memotong
citra, menghilangkan background hitam, dan melakukan operasi titik intensity
adjustment. Setelah itu dilakukan ekstraksi citra mammogram untuk mendapatkan
parameter-parameter statistik, yaitu kontras, korelasi, energi, homogenitas,
entropi, sum of squares, inverse difference moment, sum average, sum entropy,
sum variance, difference variance, difference entropy, probabilitas maksimum,
dan dissimilarity. Variabel input yang digunakan adalah hasil fuzzifikasi
parameter-parameter hasil ekstraksi citra menggunakan fungsi keanggotaan
trapesium dan variabel output adalah hasil klasifikasi kanker payudara.
Pembagian data menjadi dua, yaitu 80% data training dan 20% data testing.
Sebelum dilakukan pembelajaran, input fuzzy dinormalisasi. Pembentukan model
terbaik dilakukan menggunakan algoritma pembelajaran backpropagation dengan
menentukan banyaknya neuron terbaik pada lapisan tersembunyi yang
menghasilkan nilai akurasi tertinggi. Fungsi aktivasi yang digunakan adalah
sigmoid biner pada lapisan input dan linear pada lapisan tersembunyi.
Selanjutnya, denormalisasi dilakukan untuk mengembalikan nilai output jaringan
ke nilai yang sebenarnya.
Hasil klasifikasi stadium kanker payudara menggunakan model FNN
dengan operasi titik menunjukkan nilai akurasi, sensitivitas, dan spesifisitas secara
berurutan adalah 100%, 100%, dan 100% untuk data training dan 79,1667%,
87,5%, dan 100% untuk data testing, sedangkan hasil tanpa operasi titik adalah
100%, 100%, dan 100% untuk data training dan 54,1667%, 87,5%, dan 12,5%
untuk data testing.
Kata Kunci : Fuzzy Neural Nework (FNN), Backpropagation, klasifikasi, kanker
payudara, operasi titik
viii
KATA PENGANTAR
Alhamdulillah, puji syukur kehadirat Allah SWT atas segala nikmat-Nya,
akhirnya penulis mampu menyelesaikan penulisan Skripsi dengan judul
“Klasifikasi Stadium Kanker Payudara Menggunakan Model Fuzzy Neural
Network”. Skripsi ini disusun untuk memenuhi persyaratan guna memperoleh
gelar Sarjana Sains Program Studi Matematika di Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Negeri Yogyakarta.
Penyusunan skripsi ini tidak lepas dari dukungan, motivasi, kerjasama
maupun bimbingan dari berbagai pihak secara langsung maupun tidak langsung.
Oleh karena itu, penulis menyampaikan terima kasih kepada:
1. Bapak Dr. Hartono, selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan
Alam yang telah memberikan kelancaran dalam urusan akademik di tingkat
fakultas.
2. Bapak Dr. Ali Mahmudi, selaku Ketua Jurusan Pendidikan Matematika yang
telah memberikan kelancaran dalam pelayanan akademik di tingkat jurusan.
3. Bapak Dr. Agus Maman Abadi, selaku Ketua Program Studi Matematika
Universitas Negeri Yogyakarta atas bimbingan dan pengarahan dalam
penulisan skripsi ini, serta dukungan akademik kepada penulis.
4. Ibu Dr. Dhoriva U. W., selaku dosen pembimbing yang telah sangat sabar
memberikan bimbingan, pengarahan, dan semangat dalam penyusunan skripsi
ini.
ix
5. Ibu Nur Insani, M. Sc, selaku Dosen Pembimbing Akademik yang telah
memberikan pengarahan dan bimbingan selama proses studi.
6. Seluruh Dosen Jurusan Pendidikan Matematika yang telah memberikan arahan
dan ilmu yang bermanfaat bagi penulis.
7. Seluruh pihak yang telah membantu dan memberikan dukungan dalam
penulisan skripsi ini hingga akhir.
Penulis menyadarai bahwa masih banyak kekurangan dan kesalahan dalam
skripsi ini. Oleh karena itu, kritik dan saran yang membangun penulis harapkan
sebagai sebuah koreksi dan untuk perbaikan skripsi ini. Demikian skripsi ini
penulis susun, semoga dapat memberikan manfaat bagi penulis dan pembaca.
Yogyakarta, 1 Juni 2016
Penulis,
Rahmada Putri Setiadi
x
DAFTAR ISI
HALAMAN JUDUL .......................................................................................... i
HALAMAN PERSETUJUAN ........................................................................... ii
HALAMAN PENGESAHAN ............................................................................ iii
HALAMAN PERNYATAAN ........................................................................... iv
MOTTO .............................................................................................................. v
HALAMAN PERSEMBAHAN ........................................................................ vi
ABSTRAK ......................................................................................................... vii
KATA PENGANTAR ....................................................................................... viii
DAFTAR ISI ..................................................................................................... x
DAFTAR TABEL .............................................................................................. xiii
DAFTAR GAMBAR ......................................................................................... xv
DAFTAR LAMPIRAN ...................................................................................... xvii
DAFTAR SIMBOL ............................................................................................ xix
BAB I PENDAHULUAN
A. Latar Belakang ..................................................................................... 1
B. Pembatasan Masalah ............................................................................ 7
C. Rumusan Masalah ................................................................................ 7
D. Tujuan Penelitian .................................................................................. 8
E. Manfaat Penelitian ................................................................................ 8
BAB II KAJIAN TEORI
A. Kanker Payudara (Breast Cancer) ....................................................... 9
1. Pengertian Kanker Payudara ........................................................... 9
xi
2. Klasifikasi Kanker Payudara ........................................................... 9
3. Penyebab Kanker Payudara ............................................................. 10
4. Gejala-gejala Kanker Payudara ....................................................... 14
5. Deteksi Kanker Payudara ................................................................ 15
B. Konsep Dasar Artificial Neural Network ............................................. 16
1. Arsitektur Neural Network .............................................................. 19
2. Fungsi Aktivasi ............................................................................... 21
3. Algoritma Pembelajaran .................................................................. 24
C. Algoritma Backpropagation ................................................................. 25
D. Logika Fuzzy ........................................................................................ 28
1. Himpunan Klasik (Crisp) ................................................................ 28
2. Himpunan Fuzzy ............................................................................. 28
3. Fungsi Keanggotaan ........................................................................ 29
4. Operator-operator Fuzzy .................................................................. 30
E. Pengolahan Citra Digital ....................................................................... 31
F. Pengukuran Ketepatan Hasil Klasifikasi .............................................. 41
BAB III PEMBAHASAN
A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi
Stadium Kanker Payudara .................................................................... 44
B. Prosedur Klasifikasi Stadium Kanker Payudara Menggunakan
Model Fuzzy Neural Network ............................................................... 46
1. Preprocessing Citra ......................................................................... 47
a. Proses Pemotongan Citra dan Menghlangkan Background ........ 47
xii
b. Perbaikan Kualitas Citra dengan Operasi Titik Intensity
Adjustment .................................................................................... 48
2. Ekstraksi Citra ................................................................................. 49
3. Menentukan Variabel Input dan Variabel Output ........................... 49
a. Mengidentifikasi Himpunan Semesta (U) untuk Setiap Input .... 49
b. Mendefinisikan Himpunan Fuzzy pada Input .............................. 50
c. Menentukan Maksimum dari Derajat Keanggotaan ................... 51
4. Pembagian Data .............................................................................. 52
5. Normalisasi Data ............................................................................. 52
6. Pembentukan Model Terbaik .......................................................... 55
7. Denormalisasi Data ......................................................................... 60
C. Hasil Klasifikasi Stadium Kanker Payudara Menggunakan Model
Fuzzy Neural Network .......................................................................... 62
D. Pengukuran Ketepatan Hasil Klasifikasi .............................................. 114
BAB IV PENUTUP
A. Kesimpulan .......................................................................................... 122
B. Saran ..................................................................................................... 123
DAFTAR PUSTAKA ........................................................................................ 125
LAMPIRAN ....................................................................................................... 129
xiii
DAFTAR TABEL
Tabel 2.1. Hasil Uji Diagnosa ........................................................................... 42
Tabel 3.1. Hasil Ekstraksi Citra mdb003.png .................................................... 65
Tabel 3.2. Hasil Normalisasi Data pada Citra mdb003.png .............................. 109
Tabel 3.3. Nilai Akurasi Hasil Pembelajaran Neuron Terbaik dengan
Operasi Titik ..................................................................................... 110
Tabel 3.4. Nilai Akurasi Hasil Pembelajaran Neuron Terbaik tanpa Operasi
Titik .................................................................................................. 111
Tabel 3.5. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Training
(dengan Operasi Titik) ..................................................................... 115
Tabel 3.6. Menghitung Tingkat Akurasi Data Training (dengan Operasi
Titik) ................................................................................................. 115
Tabel 3.7. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Training
(tanpa Operasi Titik) ........................................................................ 116
Tabel 3.8. Menghitung Tingkat Akurasi Data Training (tanpa Operasi
Titik) ................................................................................................. 116
Tabel 3.9. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Testing
(dengan Operasi Titik) ..................................................................... 117
Tabel 3.10. Menghitung Tingkat Akurasi Data Testing (dengan Operasi
Titik) ............................................................................................... 117
Tabel 3.11. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Testing
(tanpa Operasi Titik) ....................................................................... 119
xiv
Tabel 3.12. Menghitung Tingkat Akurasi Data Testing (tanpa Operasi
Titik) ............................................................................................... 119
xv
DAFTAR GAMBAR
Gambar 2.1. Syaraf Secara Biologi .................................................................. 17
Gambar 2.2. Neural Network Sederhana .......................................................... 18
Gambar 2.3. Arsitektur Neural Network dengan Banyak Lapisan ................... 20
Gambar 2.4. Neural Network dengan Lapisan Kompetitif ............................... 21
Gambar 2.5. Fungsi Aktivasi Linear (Identitas) ............................................... 21
Gambar 2.6. Fungsi Aktivasi Undak Biner ...................................................... 22
Gambar 2.7. Fungsi Aktivasi Sigmoid Biner dengan dan .......... 23
Gambar 2.8. Fungsi Aktivasi Sigmoid Bipolar ................................................. 24
Gambar 2.9. Representasi Kurva Trapesium .................................................... 29
Gambar 2.10. Citra mammogram untuk payudara normal (a), Citra
mammogram untuk tumor payudara (b), dan Citra
mammogram untuk kanker payudara (c) .................................... 32
Gambar 2.11. Operasi titik pada citra digital ................................................... 33
Gambar 2.12. (a) Citra mdb003.png sebelum dilakukan operasi titik (b)
Data histogram citra mdb003.png sebelum dilakukan operasi
titik ............................................................................................. 35
Gambar 2.13. (a) Citra mdb003.png sesetelah dilakukan operasi titik (b)
Data histogram citra mdb003.png setelah dilakukan operasi
titik ............................................................................................. 35
Gambar 3.1. Arsitektur Backpropagation Neural Network dengan Input
Fuzzy ............................................................................................ 45
xvi
Gambar 3.2. Prosedur Pemodelan Fuzzy Neural Network ............................... 61
Gambar 3.3. Pemotongan citra mammogram payudara; (a) mdb003
sebelum dipotong, (b) mdb003 setelah dipotong ......................... 63
Gambar 3.4. Proses menghilangkan background citra mammogram
payudara; (a) mdb003 dengan background hitam, (b) mdb003
dengan background putih ............................................................ 63
Gambar 3.5. Citra mammogram mdb003.png sebelum dan sesudah
dilakukan operasi titik intensity adjustment ................................ 64
xvii
DAFTAR LAMPIRAN
Lampiran 1. Citra Mammogram Data Training ............................................... 130
Lampiran 2. Citra Mammogram Data Testing ................................................. 147
Lampiran 3. Script M-file GLCM Ekstraksi 14 Parameter Statistik ................ 152
Lampiran 4. Script Matlab untuk operasi titik dan ekstraksi ........................... 157
Lampiran 5. Tabel Hasil Ekstraksi Citra Mammogram Data Training
(dengan Operasi Titik) ................................................................. 158
Lampiran 6. Tabel Hasil Ekstraksi Citra Mammogram Data Testing
(dengan Operasi Titik) .................................................................. 162
Lampiran 7. Tabel Hasil Ekstraksi Citra Mammogram Data Training (tanpa
Operasi Titik) ............................................................................... 164
Lampiran 8. Tabel Hasil Ekstraksi Citra Mammogram Data Testing (tanpa
Operasi Titik) ................................................................................ 168
Lampiran 9. Script M-file Fuzzy Neural Network untuk Klasifikasi Kanker
Payudara ...................................................................................... 170
Lampiran 10. Hasil Klasifikasi Stadium Kanker Payudara dengan Operasi
Titik pada Data Training ............................................................. 172
Lampiran 11. Hasil Klasifikasi Stadium Kanker Payudara dengan Operasi
Titik pada Data Testing ................................................................ 175
Lampiran 12. Hasil Klasifikasi Stadium Kanker Payudara tanpa Operasi
Titik pada Data Training ............................................................. 176
xviii
Lampiran 13. Hasil Klasifikasi Stadium Kanker Payudara tanpa Operasi
Titik pada Data Testing ................................................................ 179
Lampiran 14. Bobot dari Hasil Matlab (dengan Operasi Titik) ....................... 180
Lampiran 15. Bobot dari Hasil Matlab (tanpa Operasi Titik) .......................... 181
xix
DAFTAR SIMBOL
: citra atau fungsi pada operasi titik.
: citra masukan.
: citra keluaran.
: operasi lanjar (linear) atau nirlanjar (nonlinear).
: konstanta faktor penyesuaian pada operasi titik intensity adjustment.
: entri pada Gray Level Coocurrence Matrix baris ke-i dan kolom ke-j
dengan dan .
: banyak tingkat abu-abu dari citra.
: rata-rata dari ∑ ∑
.
: jumlah , dengan .
: jumlah dengan .
: fungsi keanggotaan trapesium variabel input ke-i.
: variabel output.
: variabel input fuzzy ke-i.
: bobot dari neuron ke-i pada lapisan input fuzzy menuju neuron ke-j pada
lapisan tersembunyi.
: bobot bias neuron ke-j pada lapisan tersembunyi.
: bobot dari neuron ke-j pada lapisan tersembunyi menuju neuron pada lapisan
output.
: bobot bias pada neuron lapisan output.
xx
: error.
P : matriks input data training.
T : matriks target training.
Pn : matriks input yang ternormalisasi dengan mean=0 dan standar deviasi=1.
Tn : matriks target yang ternormalisasi dengan mean=0 dan standar deviasi=1.
Qn : matriks input testing yang ternormalisasi.
Pc : matriks input testing.
meanp : mean pada matriks input asli (P).
stdp : standar deviasi pada matriks input asli (P).
meant : mean pada matriks target asli (T).
stdt : standar deviasi pada matriks target asli (T).
Si : banyaknya neuron pada lapisan ke-i, dengan i=1,2,…,q.
TFi : fungsi aktivasi pada lapisan ke-i, dengan i=1,2,…,n (default: logsig dan
purelin).
BTF : fungsi pelatihan jaringan (default: traingdx).
PF : fungsi kinerja (default: akurasi).
net : jaringan syaraf.
tr : informasi pelatihan (epoh dan fungsi kinerja).
Pn : matriks data input yang telah dinormalisasi.
Tn : matriks data target yang telah dinormalisasi.
P dan T : matriks yang telah didenormalisasi.